肺炎是一种严重威胁人类健康的疾病,及时、准确地检测出肺炎可以尽早帮助患者接受治疗。因此,提出了一种基于YOLOv3改进的Multi branch YOLO检测算法。用多分枝膨胀卷积输出的特征代替YOLOv3中不同层级的特征进行检测,在多分枝卷积神经网络中引入Boosting思想,并使用最大化熵方法优化网络。将每个卷积分枝视为一个弱分类器,通过最大化熵方法使每个分枝学习到相近的检测能力,避免多分枝卷积模型退化成单分枝卷积模型。基于北美放射学会提供的肺部X射线影像进行实验,结果表明,该算法在实验数据集上的检测准确率高于其他目标检测算法。

针对红外图像检测与分割任务中颜色信息缺失,特征细节模糊并带有噪声,当目标数量较多时传统方法提取过程速度较慢等问题,提出一种用于远红外图像的优化YOLO检测与分割网络模型。提出的两个优化点分别为:综合分析实验使用的两种远红外数据集后使用K-means++聚类算法寻找多尺度预测标记锚点框尺寸;使用局部检测位置自适应阈值分割方法对检测目标进行像素级实例分割。本文优化算法在FLIR公开数据集与本文数据集中的检测速度分别为29 frame/s与28 frame/s,保证了实时输出的要求;行人检测准确率分别达到75.3%与77.6%,分割结果平均交并比达到70%~90%。实验结果表明,本文算法具有良好的稳健性和普适性,在远红外图像中可快速有效地检测行人并生成实例掩模。